内容简介
仿生群智能优化算法是一种模拟自然界中生物行为的目标优化策略，在工程优化问题中应用广泛。研究更加的仿生群智能优化策略并将其应用于解决复杂的三维点云配准问题具有理想的发展前景。本书介绍了这一领域的新研究成果，侧重于的布谷鸟搜索算法和人工蜂群算法，利用模式搜索趋化、全局侦察策略和二阶振荡机制等提出了新的的群智能优化算法以提高算法的能。并应用于解决点云配准优化问题。 本书可以作为信息类、人工智能、计算机图形学、生物学、计算机科学和系统理论等相关学科专业的科研工作者、工程技术人员、高等院校教师和学生的参考书或教科书。
目录
章 绪论 1.1 研究背景 1.2 仿生群智能优化算法研究现状 1.2.1 布谷鸟搜索算法研究现状 1.2.2 人工蜂群算法研究现状 1.3 本书研究思路 1.3.1 问题的提出 1.3.2 研究方案 1.4 本书研究工作 1.4.1 本书工作 1.4.2 本书结构章 仿生群智能优化及点云配准相关研展 2.1 概述 2.2 局部开采 2.3 全局勘探 2.4 均衡搜索 2.5 点云配准 2.6 本章小结第三章 基于模式搜索的布谷鸟搜索算法 3.1 引言 3.2 布谷鸟搜索算法及局限 3.2.1 布谷鸟的生物机理 3.2.2 布谷鸟搜索算法原理 3.2.3 布谷鸟搜索算法的特点 3.2.4 CS算法求解全局优化问题的局限 3.3 PSCS算法的基本策略 3.3.1 模式搜索趋化策略 3.3.2 自适应竞争排名构建机制 3.3.3 合作分享策略 3.4 计算机数值仿真实验结果与箅法比较 3.4.1 测试函数与评价标准 3.4.2 PSCS算法参数设置 3.4.3 PSCS与CS算法比较 3.4.4 与cS算法以及其他智能优化算法的比较 3.5 算法复杂的分析与讨论 3.5.1 复杂分析 3.5.2 讨论 3.6 算法在点云配准上的应用拓展 3.6.1 点云配淮优化模型 3.6.2 点云简化与特征点提取 3.6.3 基于模式搜索布谷鸟算法的点云配准优化 3.6.4 实验结果与算法比较 3.7 本章小结第四章 基于全局侦察搜索的人工蜂群算法 4.1 引言 4.2 人工蜂群算法和侦察蜂的生物机理 4.2.1 蜜蜂的群体采蜜机理 4.2.2 人工蜂群优化算法的原理 4.2.3 人工蜂群优化算法的特点 4.2.4 侦察蜂全局快速侦察的生物机理 4.3 基于全局侦察策略的人工蜂群算法 4.3.1 相关定义 4.3.2 侦察蜂的全局侦察机制 4.3.3 觅食蜂的局部邻域搜索机制 4.3.4 SABC算法步骤 4.4 计算机数值仿真实验结果与讨论 4.4.1 侦察蜂规模系数对收敛的影响 4.4.2 SABC与ABC算法的实验对比 4.4.3 SABC与PS—ABC算法的实验对比 4.4.4 算法对维数变化的影响 4.4.5 与经典的不同算法的实验比较 4.4.6 计算时间复杂度分析 4.5 本章小结第五章 基于二阶振荡扰动的人工蜂群算法 5.1 引言 5.2 基于二阶振荡扰动的人工蜂群算法 5.2.1 搜索机制 5.2.2 异步变化学 5.2.3 基于目标函数值的选择寻优 5.3 数值仿真实验结果与分析 5.3.1 基准测试函数 5.3.2 参数设置 5.3.3 所提算法与其他算法的实验比较 5.4 二阶振荡扰动策略人工蜂群算法的点云配准优化 5.4.1 SOABC算法在点云配准中的应用 5.4.2 实验结果及算法分析 5.5 本章小结第六章 结与展望 6.1 本书工结 6.2 下一步研究方向致{射参考文献
摘要与插图
1.pan style="font-family:宋体">研究背景
优化是指在的约束范围内，选择合理的设计参数和有效的解决方案，来完成特定的问题。优化问题早已成为人们日常生活与工业生产中普遍存在的一类问题，化计算、计算机图形学、智能控制、计算机科学和人工智能等学科领域的重要研究课题。身为中美院士的何毓琦教授曾认为，所有控制与决策问题其本质都是优化问题。许多学者通过多年的研究与探索，将求解优化问题逐步发展为一门重要的理论与应用学科。为了更好地解决现实生活中的各类复杂问题，各类优化策略与搜索机制应运而生。然而，随着研究问题的复杂与规模化程度越来越高，传统优化方法的弊端与不足也逐渐显现，其在优化过程中常常表现出搜索效率不足、早熟收敛、易陷入局部优等缺陷。同时，传统的优化方法在搜索与优化时，要求比较苛刻，如对目标函数和约束条件的严苛要求。所以，利用传统的优化方法解决复杂的工程优化问题也变得困难重重。国内外许多学者从仿生学的机理出发，利用大自然“物竞天择，适者生存”的天然法则来攻克传统优化方法所无法解决的研究难题。他们采用模拟自然界中昆虫、鸟类、鱼群、兽群等各种生物群体的特，提出了一系列仿生群智能优化算法并应用于解决各类复杂的优化问题。目前，该领域早已成为国内外研究的热点，研究仿生群智能优化方法比传统优化方法能更快地发现复杂优化问题的优解，更具现实意义和应用价值。
群智能（Swarm Intelligence,SI）算法是一种启发式的搜索策略，是通过对自然界群体行为机制的模拟，构造出一类具有正反馈、自适应和自组织的优化方法。这类策略能有效依靠生物自身的组织和适应机理来优化生物的行为和生存形态，终实现通过协同运作的群体行为适应外界自然环境的目标，适用于解决各类复杂的优化问题。个体而言，社会生物具有复杂的认知能力并表现出特定行为的能九。从群体角度来看，自然界的生物能够以分布式和并行的方式协作解决复杂的优化问题，而无须中央控制机制。如在自然界生物群体行为中存在一些特殊的现象：蚁群通过信息素的释放召唤同伴，终形成了一条介于蚁穴和食物源之间的短路径；鸟群利用飞行速度和距离信息，能够寻找到理想的追寻日标；鱼群往往聚集于食物多的区域。通过对生物群体中个体之间行为机制的模仿，将生物个体与群体行为特行抽象模拟，并应化计算策略的设计模型，从而形成了一类基于仿生行为的群智能优化算法，仿生群智能优化算法是基于目标函数值的评价信息，无须目标函数的梯度信息。由于仿生群智能优化算法的灵感是受自然界中各种生物行为和现象的启发，算法设计规则简单，实现便捷，在许多优化问题的求解任务中表现出比传统优化方法更加的能。如粒子群算法（Particle Swarm Optimization,PSO）、蚁群算法(Ant colony Optimization,ACO）、细菌觅食算法、鱼群算法、萤火虫算法（Firely Algorithm,FA）等。仿生群智能优化算法已应用于各类复杂问题，早已成为当前热门的研究课题。在实际应用中，几乎所有的实际问题其本质都可以利用数学建模转化为目标函数优化问题，所以，函数优化问题是仿生群智能优化算法在实际应用领域的一个典型。函数优化是在工程、控制和决策中普遍存在的一类优化问题，其优化目标函数常含多个在范围内的连续变量，传统的优化手段对目标函数要求苛刻，如需要满足可导或者可微等。然而，现实中许多函数复杂，主要表现为多变量、多约束、非线、非凸、不可微、多极值等特。导致有些函数难以优化，容易陷人局部优解而难以得到全局好值，收敛速度较慢，容易产生早熟收敛现象。
CuckooSearch,CS)、人工蜂群算法(Artificial Bee colony,ABC)。布谷鸟搜索算法早是Yang于2009年提出的一种新颖的元启发式全局优化方法。该方法是模拟布谷鸟的寻窝产卵行为而设计出的一种基于莱维飞行（Levy flights）机制的全空间的搜索策略，在求解全局优化问题中表现出较好的能。人工蜂群算法是由土耳其埃尔吉耶斯大学Karaboga教授于2005年提出的一种模拟蜜蜂采蜜行为的搜索优化算法，该算法具有的角色分配机制，能较快地搜索到优化问题的解，具有广泛的适用。目前，针对布谷鸟搜索算法和人工蜂群算法的搜索能研究，取得了一些研究成果。两类算法与其他仿生群智能优化……